Prediksi Kerawanan Wilayah Terhadap Tindak Pencurian Sepeda Motor Menggunakan Metode (S)ARIMA Dan CART | Utomo | IJCCS (Indonesian Journal of Computing and Cybernetics Systems) 16643 57655 1 PB

IJCCS, Vol.11, No.2, July 2017, pp. 119~130
ISSN: 1978-1520



119

Prediksi Kerawanan Wilayah Terhadap Tindak
Pencurian Sepeda Motor Menggunakan
Metode (S)ARIMA Dan CART
Pradita Eko Prasetyo Utomo*1, Azhari SN2
Prodi S2 Ilmu Komputer; FMIPA UGM, Yogyakarta, Indonesia
2
Jurusan Ilmu Komputer dan Elektronika, FMIPA UGM, Yogyakarta, Indonesia
e-mail: *1raditeko78@gmail.com, 2arisn@ugm.ac.id
1

Abstrak
Pencurian kendaraan bermotor merupakan termasuk tindak kriminal yang paling
sering terjadi di Indonesia. Pertumbuhan kendaraan bermotor khususnya sepeda motor cukup
signifikan pada tiap tahunnya diiringi dengan semakin meningkatnya tindak pencurian sepeda

motor pada tiap tahunnya. Selain itu, pertumbuhan penduduk, pengangguran turut serta
mempengaruhi peningkatan tindak pidana tersebut. Oleh karena itu, maka diperlukan suatu
sistem yang dapat melakukan prediksi kerawanan suatu wilayah terhadap tindak pidana
pencurian sepeda motor beserta faktor-faktor yang mempengaruhinya.
Penelitian ini mengembangan model prediksi kera wanan wilayah terhadap tindak
pidana pencurian sepeda motor dengan mengkombinasikan metode (Seasonal) ARIMA
(SARIMA) dan metode Decision Tree CART. (S)ARIMA adalah metode peramalan berdasarkan
data time series yang banyak digunakan untuk memprediksi ke masa yang akan datang. CART
merupakan suatu metode pohon biner yang populer untuk melakukan klasifikasi yang dapat
menghasilkan model atau aturan klasifikasi.
Hasil peramalan dengan metode (S)ARIMA yang dilakukan dengan masing-masing
variabel menghasilkan model peramalan dan nilai error peramalan yang berbeda-beda
berdasarkan pola data dari setiap variabel tersebut. Hasil klasifikasi dengan metode CART
mendapatkan nilai a kurasi sebesar 91,7% untuk kota Yogyakarta dan 87,5% untuk DIY.
Berdasarkan hasil penelitian, peramalan (S)ARIMA dan klasifikasi CART dapat digunakan
dalam memprediksi kera wanan wilayah terhadap tindak pidana pencurian sepeda motor.
Kata kunci—ARIMA, CART, kera wanan, Peramalan, Prediksi, Decision Tree
Abstract
Motorcycle theft is a criminal act including the most fr equently occur in Indonesia . The
growth of motor vehicles, especially motorcycles significantly in each year accompanied by the

increasing theft of motorcycles in each year. In addition, population growth, unemployment
participated affect the increase in such crime. Therefore, we need a system that can predict the
susceptibility of an area to the crime of motorcycles theft as well as the factors that influence it.
This research develop models of predictive vulnerability area crime act of motorcycles
theft using methods (S)ARIMA and CART. (S)ARIMA is a method of forecasting based on time
series data that used to predict the future. CART is a popular method of binary tree to classify
that produce classification rules.
Results forecasting (S)ARIMA conducted with each of the variables in a model
forecasting and forecasting error value that varies based on the data pattern of each of those
variables. The results of classification by CART scored an accuracy of 91.7% for the city of
Yogyakarta and 87.5% for DIY. Based on the research, forecasting results (S)ARIMA and
CART can be used to predict the vulnerability of the region to the crime act of motorcycles theft.
Keywords—ARIMA, CART, vulnerability, Forecasting, Prediction, Decision Tree

Received November 24 th,2016; Revised March 16 th, 2017; Accepted July 29th, 2017

120



ISSN: 1978-1520
1. PENDAHULUAN

T

indak pidana pencurian kendaraan bermotor roda dua atau sepeda motor terjadi di seluruh
wilayah Indonesia, tidak terkecuali di Daerah Istimewa Yogyakarta (DIY). Jumlah
penduduk dan yang bermukim di DIY setiap tahun terus bertambah, baik dari Jawa maupun luar
Jawa, menyebabkan pula makin meningkat jumlah kepemilikan dan pengguna kendaraan sepeda
motor. Seiring dengan itu, semakin meningkat pula tindak pidana pencurian sepeda motor di
daerah DIY. Menurut data BPS dan Kepolisian pada laporan Statistik tahun 2012 kenaikan
angka kejahatan pencurian tersebut cenderung fluktuatif [1,2].
Pencurian kendaraan bermotor merupakan salah satu tindak kriminal yang menonjol dari
sisi tingkat kejadiannya di Indonesia (BPS dan Kepolisian). Dugaan penyebabnya ialah karena
kendaraan bermotor merupakan sarana vital dengan mobilitas tinggi yang sangat diperlukan
untuk kehidupan di era modern ini. Dengan semakin meningkatnya tindak pidana pencurian
sepeda motor pada tiap tahunnya, maka diperlukan suatu sistem yang dapat melakukan prediksi
terhadap perkembangan kendaraan bermotor roda dua dan tindak pidana pencurian sepeda
motor beserta aspek lain yang memungkinkan berpengaruh terhadap peningkatan tindak pidana
pencurian sepeda motor.

Salah satu parameter yang digunakan untuk melakukan prediksi terhadap kerawanan
suatu wilayah adalah kasus, penduduk, pengangguran, kendaraan dan angkatan kerja. Alasan
menggunakan variabel tersebut adalah variabel-variabel tersebut merupakan paramater awal
yang digunakan untuk mendapatkan nilai-nilai yang dikonversi menjadi indikator-indikator
kerawanan suatu wilayah terhadap tindak pencurian sepeda motor. Dari sumber data tersebut
memperlihatkan adanya pola data dari waktu ke waktu untuk masing-masing variabel tersebut
baik secara trend maupun musiman (seasonal).
Pada penelitian ini dilakukan kombinasi menggunakan metode (Seasonal) ARIMA dan
klasifikasi decision tree CART untuk memprediksi kerawanan wilayah terhadap tindak
pencurian sepeda motor. Pada penelitian ini, metode (Seasonal) ARIMA digunakan untuk
melakukan prediksi terhadap data berkala (time series ) untuk variabel jumlah kasus, kendaraan,
penduduk dan pengangguran serta angkatan kerja. Hasil dari prediksi tersebut kemudian
dihitung ke dalam indeks kasus, autho-theft rate, crime rate, crime index, kepadatan penduduk,
dan indeks pengangguran yang digunakan untuk proses klasifikasi decision tree CART untuk
menentukan atau memprediksi kerawanan suatu wilayah terhadap tindak pidana pencurian
sepeda motor.
Pada penelitian sebelumnya yang berkaitan dengan metode ataupun permasalahan
kriminal, metode ARIMA merupakan salah sati metode peramalan berdasarkan data time series
yang baik untuk peramalan jangka menengah dan dapat digunakan untuk meramalkan untuk
berbagai bidang. Peramalan dengan metode ARIMA digunakan dalam peramalan jangka pendek

untuk kejahatan properti dan membantu pihak kepolisian dalam mengambil langkah antisipasi
selanjutnya [3,4,5,6]. Sedangkan metode Decision Tree CART dilakukan untuk
mengklasifikasikan suatu wilayah terhadap KLB/Non KLB penyakit campak [7] dan dapat
untuk menentukan tingkat keparahan terhadap kecelakaan lalu lintas[8].
Penelitian ini mengusulkan pengembangan model prediksi kerawanan wilayah terhadap
tindak pidana pencurian sepeda motor berbasis komputer. Hasil dari prediksi ini dapat
digunakan untuk informasi awal untuk melakukan tindakan-tindakan tertentu yang dapat untuk
menekan tindak pidana pencurian sepeda motor pada masa yang akan datang oleh pihak
Kepolisian atau pihak yang terkait.

IJCCS Vol. 11, No. 2, July 2017 : 119 – 130

IJCCS

ISSN: 1978-1520



121

2. METODE PENELITIAN

2.1 Analisis Kebutuhan Sistem
Analisa kebutuhan sistem meliputi, kebutuhan data, kemampuan dan fasilitas yang
diharapkan, masukan data dan luaran sistem, proses persiapan data yang diteliti. Sistem yang
akan dibangun merupakan sistem peramalan kerawanan wilayah terhadap tindak pidana
pencurian sepeda motor.

2.1.1

Data yang Digunakan
Data yang digunakan pada prediksi ini berasal dari berbagai instansi antara lain untuk
data kasus pencurian dari Direktorat Kriminal Umum POLDA DIY, Satrekrim Polresta
Yogyakarta, data kendaraan bermotor dari Direktorat Lalu Lintas POLDA DIY, data penduduk
dari Bagian Penduduk Biro Pemerintahan Setda DIY dan Data pengangguran dan angkatan
kerja dari Dinas Tenaga Kerja dan Transmigrasi DIY serta BPS DIY. Data tersebut dalam kurun
waktu Januari 2011 – Desember 2015 yang dihitung secara bulanan untuk wilayah DIY dan
Kota Yogyakarta. Dengan demikian data yang digunakan sebanyak 5 tahun x 12 bulan x 2
wilayah = 120 data per variabel x 5 variabel = 600.

2.1.2

Preprocessing data
Berikut adalah langkah-langkah yang dilakukan dalam preprocessing data yang
dilakukan dalam klasifikasi dan prediksi [9].

a. Data Cleaning
Data yang diperoleh dari pihak kepolisian, Kependudukan DIY, Disnakertrans DIY dan
BPS berupa print cetak atau dalam bentuk softcopy dalam bentuk bulanan dari tahun 20112015.
b. Analisis relevansi
Dalam proses ini, khususnya untuk jumlah kasus pencurian kategori yang termasuk dalam
kasus pencurian di dalam penelitian ini meliputi pencurian motor (pasal 362 dan 363
KUHP), pencurian dengan pemberatan dan kekerasan (CURAT dan CURAS) serta
penggelapan pada kendaraan bermotor roda dua[10].
c. Transformasi data
Dalam hal ini tidak dilakukan transformasi data terlebih dahulu akan tetapi transformasi
dilakukan dalam proses stasionerisasi (jika dibutuhkan).

2. 2 Rancangan System
Model sistem yang digunakan melibatkan 2 proses yang mempunyai fungsi masing–

masing. Metode time series (Seasonal) ARIMA digunakan untuk melakukan peramalan
terhadap nilai untuk periode ke depan, dalam penelitian ini akan dilakukan prediksi untuk 6
periode ke depan (Januari 2016 – Juni 2016). Sedangkan metode Decision Tree CART
digunakan untuk melakukan klasifikasi kerawanan wilayah terhadap tindak pidana pencurian
sepeda motor berdasarkan nilai yang dihasilkan dari proses peramalan. Bentuk arsitektur dari
sistem yang akan dibangun dipaparkan pada Gambar 1.

Prediksi Kera wanan Wilayah Terhadap Tindak..(Pradita Eko Prasetyo Utomo)

122



ISSN: 1978-1520
Proses (Seasonal) ARIMA
((Seasonal) Autoregressive Integrated Moving Average)

Pemodelan (Seasonal) ARIMA
Data Prediksi
(Penduduk, Kendaraan,

kasus, Pengangguran,
Angkatan Kerja)

Proses Peramalan
Proses ARIMA (p,d,q)
dan/atau SARIMA (p,d,q)
(P,D,Q)12

Preprocessing
Proses Perhitungan
ARIMA (p,d,q) dan/atau
SARIMA (p,d,q) (P,D,Q)12

Nilai Peramalan
(setiap variabel model)

Model ARIMA (p,d,q) dan/
atau SARIMA (p,d,q)
(P,D,Q)12

Proses Perhitungan Indeks
Kerawanan Kriminal
(AR, CR, KP, CI, Indeks Kasus, IP)

Proses Klasifikasi CART
(Classification and Regression Tree)

Proses Pelatihan
Data Aktual
(AR, CR, KP, Indeks
kasus, CI, IP)

Label
Kerawanan

Proses Pengujian
Uji
Decision Tree

Data Pelatihan

Proses
Pembentukan Tree

Klasifikasi kerawanan
wilayah

Rules

Gambar 1 Arsitekstur Sistem Peramalan

Sistem Prediksi yang akan dibangun menggunakan kombinasi dari dua metode yaitu
Metode (Seasonal) ARIMA dan Metode Decision Tree CART. Metode (Seasonal) ARIMA
digunakan untuk meramalkan data time series dari variabel jumlah kasus pencurian, jumlah
kendaraan yang ada, jumlah penduduk, jumlah pengangguran dan jumlah angkatan kerja.
Variabel–variabel tersebut akan diprediksi pervariabel berdasarkan bulan. Kemudian variabelvariabel tersebut dilakukan proses pemodelan, terlebih dahulu diawali dengan proses cek
stasioner dalam varian dan mean kemudian plot ACF dan PACF untuk mendapatkan modelmodel (Seasonal) ARIMA yang mungkin selanjutnya dilakukan proses estimasi parameter dan
cek diagnostik atau “white noise” untuk mendapatkan model (Seasonal) ARIMA terbaik yang
selanjutnya digunakan untuk mendapatkan nilai peramalan dari masing-masing variabel. Maka
diperoleh hasil peramalan berdasarkan model (Seasonal) ARIMA yang terbaik. Nilai-nilai
peramalan tersebut selanjutnya digunakan untuk menentukan atau mendapatkan nilai indikator
kerawanan wilayah terhadap tindak pidana pencurian sepeda motor yaitu autho-theft rate,
indeks kasus, crime rate, kepadatan penduduk, crime index, indeks pengangguran.
Kemudian pada proses klasifikasi CART yang terdiri dari proses training dan testing.
Sebelum proses tersebut dilakukan, terlebih dahulu menyiapkan data yang akan digunakan
untuk proses training dan testing. Data untuk proses klasifikasi CART terdiri dari beberapa
variabel yang dimasukkan ke dalam indikator kerawanan wilayah terhadap tindak pencurian
IJCCS Vol. 11, No. 2, July 2017 : 119 – 130

IJCCS



ISSN: 1978-1520

123

sepeda motor yaitu yaitu autho-theft rate, indeks kasus, crime rate, kepadatan penduduk, crime
index, indeks pengangguran dan stasus (label kelasnya). Selanjutnya langkah pelatihan pada
CART yang dilakukan adalah membangun pohon keputusan dengan cara splitting kriteria .
Kemudian membentuk pohon dan melakukan pembentukan rule. Proses selanjutnya adalah
pengujian terhadap data hasil peramalan (Sea sonal) ARIMA yang telah dihitung/dikonversi ke
dalam nilai indikator kerawanan wilayah terhadap tindak pidana pencurian sepeda mtor yaitu
autho-theft rate, indeks kasus, crime rate, kepadatan penduduk, crime index, indeks
pengangguran. Data tersebut diuji ke dalam klasifikasi CART mengggunakan rule yang telah
terbentuk untuk mengetahui kerawanan wilayah terhadap tindak pencurian sepeda motor pada
suatu wilayah. Langkah selanjutnya adalah menghitung nilai akurasi CART dan melakukan
pengujian model dengan menggunakan K-fold validation .
2. 3 (Seasonal) Autoregressive integrated moving average (SARIMA)
Metode ARIMA adalah metode peramalan yang tidak menggunakan variabel
independen sebagai pembanding sehingga perhitungan dilakukan menggunakan variabel
dependen saja. ARIMA dikenal pula sebagai metode BOX JENKINS karena dikembangkan
oleh G.E.P BOX dan G.M Jenkins pada tahun 1970. Model ARIMA dapat terjadi karena
terdapat pembedaan/differencing dari data aslinya. Disebabkan oleh adanya proses differencing
tersebut, model ARMA menjadi ARIMA karena ada penyisipan huruf I yang berarti integrative.
Integrative tersebut menunjukan adanya proses differencing [11]. Secara umum, bentuk model
ARIMA dengan orde (p,d,q) dengan differencing sebanyak d diperlihatkan dalam persamaan
1[12,13].
(1)
model ARIMA dinotasikan menjadi.
ARIMA(p,d,q)
dengan :
Yt
= nilai variabel dependen pada waktu t;
q
= orde model moving average;

p

;

;
C

= konstanta;

= orde model autoregressive;

d

= nilai residu pada waktu t;
= banyaknya differensiasi;

Sedangkan model ARIMA dengan pengaruh seasonal (musiman) yang disebut dengan
Seasonal ARIMA (SARIMA) dinyatakan pada persamaan 2 [12,13].
(2)
dengan

p(B)
ϴq(B)
P(Bs)
Q(Bs)

= faktor AR tidak musiman
= faktor MA tidak musiman
= faktor AR musiman
= faktor MA musiman

Secara umum, model Seasonal ARIMA dinotasikan sebagai berikut:
SARIMA(p,d,q)(P, D, Q)s
dengan,
P
= orde musiman untuk AR,
Q
= orde musiman untuk MA
D
= banyak differensiasi,
s
= jumlah periode permusim

Prediksi Kera wanan Wilayah Terhadap Tindak..(Pradita Eko Prasetyo Utomo)

124



ISSN: 1978-1520

2. 4 Classification and Regression Tree (CART)
Salah satu metode data mining yang umum digunakan adalah Decision Tree. Decision
Tree adalah struktur flowchart yang menyerupai tree (pohon) dengan setiap simpul internal
menandakan suatu tes pada atribut, setiap cabang merepresentasikan hasil tes dan simpul daun
merepresentasikan kelas atau distribusi kelas. Algoritma CART merupakan metode eksplorasi
yang digunakan untuk melihat hubungan antara peubah respon dan peubah penjelas yang
meliputi peubah nominal, ordinal maupun kontinu. Metode ini meliputi metode pohon
klasifikasi dan pohon regresi. Metode pohon klasifikasi digunakan jika peubah responnya
adalah peubah kategorik sedangakan pohon regresi digunakan jika peubah respon adalah
kontinu.
Adapun langkah langkah pada algoritma CART adalah sebagai berikut [14]:
1. Susunlah calon cabang (candidate split). Penyusunan ini dilakukan terhadap seluruh
variabel prediktor secara lengkap (exhaustive). Daftar yang berisis calon cabang disebut
daftar calon cabang mukhtahir.
2. Menilai kinerja keseluruhan calon cabang yang ada pada daftar calon cabang mukhtahir
dengan jalan menghitung nilai besaran kesesuaian.
3. Menentukan calon cabang manakah yang akan benar–benar dijadikan cabang dengan
memilih calon cabang yang memiliki nilai kesesuaian terbesar. Setelah itu gambarkan
percabangannya, jika tidak ada lagi node keputusan, pelaksanaan algoritma CART akan
dihentikan. Namun jika masih terdapat node keputusan, algoritma dilanjutkan dengan
kembali kelangkah ke dua, dengan terlebih dahulu membuang calon cabang yang telah
berhasil menjadi cabang sehingga mendapatkan daftar calon cabang mukthahir baru.

3. HASIL DAN PEMBAHASAN
Dalam penelitian ini melakukan 2 proses yaitu peramalan dan klasifikasi. Proses pada
(Seasonal) ARIMA dilakukan untuk mendapatkan nilai peramalan dan proses CART digunakan
untuk melakukan klasifikasi terhadap nilai yang dihasilkan dari proses peramalan ARIMA.
Setelah mendapatkan hasil dari proses klasifikasi CART dilanjutkan dengan proses pengujian
model dari klasifikasi untuk mendapatkan nilai akurasi terbaik dari model yang dihasilkan dari
klasifikasi tersebut.
3.1 Peramalan (Seasonal) ARIMA
Dalam proses peramalan (Seasonal) ARIMA yang menjadi hal yang utama ada
menentukan pola atau model yang paling cocok berdasarkan data time series. Dengan demikian
peramalan (Seasonal) ARIMA memerlukan sepenuhnya data historis (data masa lalu dan saat
ini) untuk melakukan proses peramalan yang akurat. Dalam peramalan (Seasonal) ARIMA yang
menjadi syarat penting adalah kestasioneran data dalam varians dan mean. Data yang stasioner
mempunyai variansi data yang tidak terlalu lebar dan cenderung mendekati nilai rata-rata
datanya. Dalam penelitian ini proses peramalan dilakukan untuk variabel kasus, kendaraan,
penduduk dan pengangguran serta angkatan kerja.
Proses pemodelan dan peramalan metode (Seasonal) ARIMA menggunakan keseluruhan
data yang ada dalam suatu wilayah yaitu 60 x 4 = 240 data per wilayah. Dari masing-masing
variabel peramalan (Seasonal) ARIMA mempunyai model dan menghasilkan nilai peramalan
yang berbeda. Untuk wilayah DIY, variabel kasus mempunyai MAPE = 0,197, variabel
kendaraan, MAPE = 0,0118, untuk variabel penduduk, MAPE =0,000897 dan variabel
pengangguran, nilai MAPE =0,00603 serta untuk angkatan kerja, nilai MAPE = 0,0027.
Sementara itu, kota Yogyakarta, variabel kasus mempunyai nilai MAPE = 0,233, variabel
kendaraan, MAPE = 0,0062, untuk variabel penduduk, MAPE = 0,00068 dan variabel
pengangguran, nilai MAPE =0,0042 serta untuk angkatan kerja, nilai MAPE = 0,0016. Hasil
peramalan dengan metode ARIMA diperoleh diperlihatkan pada Tabel 1 untuk wilayah DIY
dan Tabel 2 untuk wilayah kota Yogyakarta.
IJCCS Vol. 11, No. 2, July 2017 : 119 – 130

IJCCS



ISSN: 1978-1520

125

Tabel 1 Hasil Peramalan (Seasonal) ARIMA Wilayah DIY
Tahun

Bulan

2016

Januari
Februari
Maret
April
Mei
Juni

Kasus

Kendaraan

51
52
52
52
52
52

1.888.573
1.919.204
1.949.828
1.980.447
2.011.059
2.041.666

Penduduk Pengangguran
3.628.960
3.635.514
3.642.067
3.648.621
3.655.174
3.661.728

62.544
59.005
56.939
54.873
52.808
50.742

Angkatan
Kerja
2.052.081
2.068.262
2.083.443
2.098.224
2.112.848
2.127.408

Tabel 2 Hasil Peramalan (Seasonal) ARIMA Kota Yogyakarta
Tahun

Bulan

Kasus

2016

Januari
Februari
Maret
April
Mei
Juni

17
18
19
20
21
22

Kendaraan Penduduk Pengangguran
356.164
358.939
361.503
363.393
364.656
366.897

409.495
409.631
409.767
409.902
410.038
410.174

13.517
13.764
13.986
14.209
14.431
14/653

Angkatan
Kerja
229.257
229.206
229.744
229.646
228.980
227.751

Sedangkan grafik plot hasil peramalan (Seasonal) ARIMA untuk wilayah diperlihatkan pada
Gambar 2, 3, 4, 5 dan 6.

Gambar 2 Hasil Peramalan Kasus Wilayah DIY

Prediksi Kera wanan Wilayah Terhadap Tindak..(Pradita Eko Prasetyo Utomo)

126



ISSN: 1978-1520

Gambar 3 Hasil Peramalan Penduduk Wilayah DIY

Gambar 4 Hasil Kendaraan Wilayah DIY

IJCCS Vol. 11, No. 2, July 2017 : 119 – 130

IJCCS

ISSN: 1978-1520



127

Gambar 5 Hasil Peramalan Pengangguran Wilayah DIY

Gambar 6 Hasil Peramalan Angkatan kerja Wilayah DIY
Keterangan:
: Hasil Peramalan
: Data Aktual

Prediksi Kera wanan Wilayah Terhadap Tindak..(Pradita Eko Prasetyo Utomo)

128



ISSN: 1978-1520

3.2 Klasifikasi Decision Tree CART
Kemudian setelah mendapatkan nilai peramalan untuk periode yang mendatang melalui
peramalan (Seasonal) ARIMA maka selanjutnya hasil peramalan dari masing-masing variabel
peramalan data-data tersebut akan dihitung atau dikonversi ke dalam nilai-nilai indikator
kerawanan wilayah yaitu autho-theft rate, crime rate, crime index, indeks pengangguran dan
kepadatan penduduk [15] yang digunakan untuk memprediksi atau menentukan kelas
kerawanan wilayah berdasarkan hasil peramalan (Seasonal) ARIMA. Setelah dihitung,
selanjutnya data-data tersebut digunakan untuk memprediksi atau menentukan kelas kerawanan
suatu wilayah terhadap tindak pencurian sepeda motor dengan menggunakan rule yang
terbentuk pada proses training CART. Setelah dilakukan pengujian terhadap CART maka
selanjutnya dihasilkan hasil seperti pada Tabel 3.

Tabel 3 Hasil Klasifikasi Kerawanan Wilayah
Tahun

Bulan

2016

Januari
Februari
Maret
April
Mei
Juni

DIY
Rendah
Rendah
Rendah
Rendah
Rendah
Rendah

Wilayah
Kota Yogyakarta
Rendah
Sedang
Sedang
Sedang
Sedang
Tinggi

Hasil klasifikasi untuk tingkat kerawanan wilayah yang dilakukan oleh metode Decision
Tree CART mendapatkan nilai akurasi sebesar 91,7% untuk wilayah kota Yogyakarta dan nilai
akurasi sebesar 87,5% untuk wilayah DIY.
4. KESIMPULAN
Berdasarkan latar belakang, rumusan masalah dan hasil penelitian yang diperoleh, maka
dapat disimpulkan bahwa hasil penelitian ini adalah:
1. Proses peramalan metode (Seasonal) ARIMA dilakukan per wilayah secara terpisah
yaitu wilayah DIY dan kota Yogyakarta untuk 6 periode ke depan;
2. Nilai pengukuran error peramalan (Seasonal) ARIMA masing-masing variabel. Untuk
wilayah DIY, variabel kasus mempunyai MAPE = 0,197, variabel kendaraan, MAPE =
0,0118, untuk variabel penduduk, MAPE =0,000897 dan variabel pengangguran, nilai
MAPE =0,00603 serta untuk angkatan kerja, nilai MAPE = 0,0027. Sementara itu, kota
Yogyakarta, variabel kasus mempunyai nilai MAPE = 0,233, variabel kendaraan,
MAPE = 0,0062, untuk variabel penduduk, MAPE = 0,00068 dan variabel
pengangguran, nilai MAPE =0,0042 serta untuk angkatan kerja, nilai MAPE = 0,0016
3. Faktor-faktor yang mempengaruhi klasifikasi kerawanan wilayah terhadap tindak
pidana pencurian sepeda motor untuk wilayah DIY yaitu, crime rate (CR), crime index
(CI), indeks kasus (IK) dan kepadatan penduduk (KP). Sedangkan untuk wilayah Kota
Yogyakarta, kerawanan wilayah terhadap tindak pidana pencurian sepeda motor
dipengaruhi oleh faktor-faktor antara lain, crime rate (CR), crime index (CI), indeks
kasus (IK) dan kepadatan penduduk (KP).
4. Hasil klasifikasi untuk kerawanan wilayah yang dilakukan oleh metode Decision Tree
CART mendapatkan nilai akurasi sebesar 91,7% untuk wilayah kota Yogyakarta dan
nilai akurasi sebesar 87,5% untuk wilayah DIY.

IJCCS Vol. 11, No. 2, July 2017 : 119 – 130

IJCCS

ISSN: 1978-1520



129

5. SARAN
Dari hasil penelitian ini, terdapat beberapa hal yang perlu ditambahkan dan
dikembangkan dalam proses peramalan dan klasifikasi, antara lain:
1. Perlu kecermatan dan keakuratan dalam identifikasi model peramalan ARIMA;
2. Peramalan data time series dalam permasalahan dalam penelitian ini dapat
dikembangkan dengan menggunakan atau menerapkan metode peramalan data time
series lainnya seperti ARIMAX, JST dan sebagainya serta mengkombinasikan variabelvarieabel yang ada menjadi suatu metode multivariate ARIMA dan sebagainya;
3. Proses klasifikasi juga dapat dikembangkan menggunakan atau menerapkan metode
klasifikasi seperti Bagging CART, ID3 dan lainnya;
4. Pengembangan metode lain dalam hal peramalaan perlu/dapat dilakukan dalam proses
peramalan dan penentuan tingkat kerawanan tindak pidana pencurian sepeda motor atau
pada kasus kriminal lainnya

DAFTAR PUSTAKA
[1] Badan Pusat Statistik, 2013. Statistik Kriminal. www.bps.go.id.
[2] Badan Pusat Stastistik Daerah Istimewa Yogyakarta, 2015. Statistik Politik dan
Keamanan .www.jogja-bps.go.id.
[3] Bellaniar, M, 2014. Peramalan Demam Berdarah Dengue dengan menggunakan Metode
SARIMA dan Artificial Neural Network. Thesis. UGM: Yogyakarta.
[4] Chen, P., Yuan, H., and Shu, X, 2008. Forecasting Crime Using the ARIMA Model. Fifth
International Conference on Fuzzy Systems and Knowledge Discovery, Jinan Shandong,
627-630.
[5] Noor, N.M.M., dkk, 2011. A Framework of Decision Support for Crime Forecasting in
Malaysia. Journal Recent Researches in Applied Mathematics and Informatics . ISBN:
978-1-61804-059-6.
[6] Permanasari, A.E, Hidayah, I dan Bustoni, I. A, 2013. SARIMA (Seasonal ARIMA)
implementation on time series to forecast the number of Malaria incidence. 2013
International Conference on Information Technology and Electrical Engineering
(ICITEE), Yogyakarta, pp 203-207.

[7] S.
Sulistyowati
and
E.
Winarko,
“Peramalan
KLBCampakMenggunakanGabunganMetode JST Backpropagationdan CART,”
IJCCS (Indonesian J. Comput. Cybern. Syst. , vol. 8, no. 1, pp. 49–58, 2014
[Online]. Available: https://jurnal.ugm.ac.id/ijccs/article/view/3495. [Accessed: 16Mar-2017]
[8] Chang, L. Y dan Wang, H,W, 2006. Analysis Of Traffic Injury Severity: An Application
Of Non Parametric Classification Tree Techinques. Journal Accident Analysis Dan
Prevention, Vol. 38, hal 436 – 444 diakses dari www.elsevier.com.
[9] Han, J dan Kamber, M, 2001. Data Mining:Concepts And Techniques . Morgan Kaufmann:
San Fransisco, USA.

Prediksi Kera wanan Wilayah Terhadap Tindak..(Pradita Eko Prasetyo Utomo)

130



ISSN: 1978-1520

[10] Kitab Undang-Undang Hukum Pidana (KUHP) Indonesia.
[11] Santoso, S, 2009. Bussiness forecasting – Metode peramalan bisnis masa kini dengan
minitab dan SPSS. Elex Media Komputindo: Jakarta.
[12] Rosadi, D,2014. Analisis Data Runtun Waktu dan Aplikasinya dengan R. UGM
Press:Yogyakarta.
[13] Wei, W.W.S, 2006. Time series Analysis: Univariate and Multivariate Methods Second
Edition . Pearson Addison Wesley : USA.
[14] Larose, D, 2005. Discovering Knowledge In Data An Introduction To Data Mining . Wiley
Interscience: USA.
[15] Badan Pusat Statistik, 2014. Statistik Kriminal Tahun 2014 . www.bps.go.id.

IJCCS Vol. 11, No. 2, July 2017 : 119 – 130